Reagerer på hva du kjøper, og deretter spår du hva du vil kjøpe. Shutterstock / nmedia

Enten du handler på nettet eller i butikken, er detaljhandelopplevelsen din den siste slagmarken for kunstig intelligens (AI) og maskinlæringsrevolusjon.

Store australske detaljister har begynt å innse at de har mye å tjene på å få AI-strategien riktig, med en som for tiden rekrutterer til en Leder for AI og maskinlæring støttet av a team av dataforskere.

Den nyutviklede Woolworths-divisjonen WooliesX tar sikte på å bringe sammen en mangfoldig gruppe av team, inkludert teknologi, kundeopplevelse, e-handel, finansielle tjenester og digital kundeopplevelse.

Alt om å knuse dataene

For å forstå mulighetene og truslene for alle større detaljister, er det nyttig å forstå hvorfor kunstig intelligens er tilbake på dagsordenen. To avgjørende ting har endret seg siden de første forene til AI for tiår siden: data og datakraft.

Datakraft er lett å se. Smarttelefonen i hånden din har millioner ganger mer regnekraft enn de klumpete datamaskinene for flere tiår siden. Bedrifter har tilgang til nesten ubegrenset datakraft som de kan trene AI-algoritmer til.

Den andre kritiske ingrediensen er omfanget og rikdommen på tilgjengelige data, spesielt i detaljhandelen.

Kunstige intelligenssystemer - spesielt læringsteknikker som maskinlæring - trives med store, rike datasett. Når mates riktig med disse dataene, oppdager disse systemene trender, mønstre og korrelasjoner som ingen menneskelig analytiker noensinne kunne håpe å oppdage manuelt.

Disse maskinlæringsmetodene automatiserer dataanalyse, slik at brukerne kan lage en modell som deretter kan komme med nyttige spådommer om andre lignende data.

Hvorfor detaljhandel er egnet for AI

Raskheten av AI-distribusjon på forskjellige felt avhenger av noen få kritiske faktorer: detaljhandel er spesielt egnet av noen få grunner.

Den første er evnen til å teste og måle. Med passende sikkerhetstiltak kan detaljhandeldiganter distribuere AI og teste og måle forbrukernes respons. De kan også direkte måle effekten på bunnlinjen ganske raskt.

Det andre er de relativt små konsekvensene av en feil. En AI-agent som lander et passasjerfly har ikke råd til å gjøre en feil fordi det kan drepe mennesker. En AI-agent distribuert i detaljhandel som tar millioner av beslutninger hver dag har råd til å ta noen feil, så lenge den samlede effekten er positiv.

Noe smart robotteknologi skjer allerede i detaljhandel med Nuro.AI samarbeider med dagligvarer Kroger å levere dagligvarer til kundenes dørstokker i USA.

{vembed Y = 0xZsvs8iG0Q}

Men mange av de viktigste endringene vil komme fra distribusjon av AI i stedet for fysiske roboter eller autonome kjøretøy. La oss gå gjennom noen få AI-baserte scenarier som vil forandre detaljhandelopplevelsen din.

Dine handlevaner

AI kan oppdage underliggende mønstre i handleoppførselen din fra produktene du kjøper og måten du kjøper dem på.

Dette kan være dine vanlige kjøp av ris fra supermarkedet, sporadiske innkjøp av vin fra vinmonopolet og fredag ​​kveld binges på is i den lokale nærbutikken.

Mens lager- og salgsdatabasesystemer ganske enkelt sporer kjøp av enkeltprodukter, med tilstrekkelige data, kan maskinlæringssystemer forutsi dine vanlige vaner. Den vet at du liker å lage risotto hver mandag kveld, men også din mer komplekse oppførsel som sporadisk iskrem.

I større skala ville analyse av atferden til millioner av forbrukere gjøre det mulig for supermarkeder å forutsi hvor mange australske familier som lager risotto hver uke. Dette vil informere lagerstyringssystemer, automatisk optimalisering av aksjer av Arborio ris, for eksempel for butikker med mange risotto-forbrukere.

Denne informasjonen vil da være deles med vennlige leverandører, muliggjør mer effektiv lagerstyring og mager logistikk.

Effektiv markedsføring

Tradisjonelle lojalitetsordningsdatabaser som FlyBuys gjorde det mulig for supermarkeder å identifisere dine hyppighet av kjøp av et bestemt produkt - for eksempel at du kjøper Arborio ris en gang i uken - og sender deretter et tilbud til en gruppe forbrukere som ble identifisert som "i ferd med å kjøpe Arborio ris".

Nye markedsføringsteknikker vil gå utover å markedsføre salg til kunder som allerede sannsynligvis vil kjøpe det produktet uansett. I stedet, anbefaling av maskinlæring vil markedsføre hvitløksbrød, tiramisu eller andre tilpassede produktanbefalinger som data fra tusenvis av andre forbrukere ofte har foreslått å gå sammen.

Effektiv markedsføring betyr mindre diskontering og mer overskudd.

Prisdynamikk

Prisutfordringen for supermarkeder innebærer bruke riktig pris og riktig kampanje på riktig produkt.

Optimalisering av detaljhandelspriser er et komplekst foretak som krever dataanalyse på et granulært nivå for hver kunde, produkt og transaksjon.

For å være effektive, må utallige faktorer undersøkes, for eksempel hvordan salg påvirkes ved å endre prispoeng over tid, sesongmessighet, vær og konkurrenter.

Et godt laget maskinlæringsprogram kan faktorere i alle disse variasjonene, og kombinere dem med ytterligere detaljer som kjøpshistorikk, produktpreferanser og mer for å utvikle dyp innsikt og priser som er skreddersydd for å maksimere inntekter og fortjeneste.

Kundefeedback

Historisk sett ble tilbakemeldinger fra kunder oppnådd via tilbakemeldingskort, fylt ut og plassert i en forslagskasse. Denne tilbakemeldingen måtte leses og følges.

As sosiale medier økte, ble det en plattform for å uttrykke tilbakemeldinger offentlig. Tilsvarende, forhandlere henvendte seg til programvare for skraping av sosiale medier for å svare, løse og engasjere kunder i samtale.

Fremover vil maskinlæring spille en rolle i denne sammenhengen. Maskinlæring og AI-systemer vil muliggjøre for første gang bulkanalyse av flere kilder til rotete, ustrukturerte data, som kunde registrerte muntlige kommentarer eller videodata.

Reduksjon i tyveri

Australske forhandlere mister anslagsvis 4.5 milliarder dollar årlig i aksjetap. Veksten i selvbetjeningsregistre bidrar til de tapene.

Maskinlæringssystemer har evnen til enkelt skanne millioner av bilder, slik at smarte, kamerautstyrte salgssteder (POS) -systemer for å oppdage de forskjellige variantene av frukt og grønt shoppere plasseres på registervekt.

Over tid vil systemer også bli bedre til å oppdage alle produktene som selges i en butikk, inkludert en oppgave som heter finkornet klassifisering, slik at den kan fortelle forskjellen mellom en Valencia og Navel-appelsin. Derfor ville det ikke være flere "feil" ved å legge inn poteter når du faktisk kjøper fersken.

På lengre sikt kan POS-systemer forsvinne fullstendig, som i tilfelle Amazon Go-butikk.

Datamaskiner som bestiller for deg

Maskinlæringssystemer er blir raskt bedre ved å oversette din naturlige stemme til dagligvarelister.

{vembed Y = rgksCRiRlsI}

Digitale assistenter som Google Duplex kan snart lage handlelister og legge inn bestillinger for deg, med Den franske forhandleren Carrefour og Den amerikanske giganten Walmart samarbeider allerede med Google.

En utvikling av AI detaljhandel

Når du beveger deg gjennom livsfaser blir du eldre, blir tidvis uvel, kan du gifte deg, kanskje få barn eller bytte karriere. Når kundenes livsforhold og forbruksvaner endres, vil modeller automatisk justeres, slik de allerede gjør i områder som svindeloppdagelse.

Den nåværende reaktiv systemet innebærer å vente på at en kunde skal begynne å kjøpe bleier, for eksempel for å identifisere den kunden som nettopp har startet en familie, før han følger opp passende produktanbefalinger.

I stedet kan maskinlæringsalgoritmer modellatferd, som kjøp av folatvitaminer og biooljer, da forutsi når tilbud skal sendes.

Dette skiftet fra reaktiv til prediktiv markedsføring kan endre måten du handler på, og gi deg forslag du kanskje ikke engang har vurdert, alt mulig på grunn av AI-relaterte muligheter for både forhandlere og deres kunder.

Om forfatterne

Michael Milford, professor, Queensland University of Technology og Gary Mortimer, førsteamanuensis i markedsføring og internasjonal virksomhet, Queensland University of Technology

Denne artikkelen er publisert fra Den Conversation under en Creative Commons-lisens. Les opprinnelige artikkelen.